CN115331435B - 一种基于局部时空交通状态的智能网联车辆速度控制方法 - Google Patents

Abstract

本发明提供了一种基于局部时空交通状态的智能网联车辆速度控制方法。该方法包括：获取事发路段上游指定区域内当前及历史时刻交通流量、车辆平均通行速度、交通密度等基本交通参数；确定管控条件，判断事发点附近管控区域内的交通状态；根据当前及历史时刻事发路段上游指定区域内的交通密度及平均车辆速度关系，对路段交通流进行仿真，确定事发点附近管控区域内智能网联车辆在当前平均交通密度环境下的最大控制速度。本发明方法根据事发路段附近历史交通流量集合及当前交通流量获得期望流量，考虑实时交通密度，对每一个进入管控区域内的智能网联车辆进行速度控制。

Description

一种基于局部时空交通状态的智能网联车辆速度控制方法

技术领域

本发明涉及智能网联交通管理与控制技术领域，尤其涉及一种基于局部时空交通状态的智能网联车辆速度控制方法。

背景技术

随着车联网技术的不断发展，借助新兴智能网联驾驶技术，可充分利用道路现有资源，有效缓解交通拥堵，提升行车安全，改善车辆的通行效率。近年来，我国颁布了包括《智能汽车创新发展战略》及《综合运输服务“十四五”发展规划》等一系列的政策纲要与战略，为智能网联车辆的全面推广与应用打下了坚实的基础。与普通人工车相比，智能网联车辆具有更小的安全车头时距，更灵敏的反应速度，更完善的协同驾驶能力。因此，在交通系统中智能网联车辆不仅是道路参与者，还是道路管理者。当发生交通事件及道路临时维护等异常事件时，会形成非常规瓶颈，此时借助智能网联车辆的优势，能够为交通管控措施的制定带来新的机遇。

在实现智能网联车辆百分之百覆盖路网前，普通人工车与智能网联车辆共存的混合流将成为道路交通中交通流的主要形式。由于普通人工车的干扰，智能网联车辆无法充分发挥自身优势，交通流中部分智能网联车辆的功能退化。在发生异常事件后，如何通过合理地控制智能网联车辆的移动，以引导普通人工车的驾驶行为，最大化利用道路现有资源，是改善行车安全，提升交通效率的关键。为了实现上述目标，需要从局部时空交通状态出发，根据交通流量及密度的关系，并依据智能网联车辆与普通人工车的安全车头时距，计算智能网联车辆的控制速度。

发明内容

本发明的实施例提供了一种基于局部时空交通状态的智能网联车辆速度控制方法，以实现合理的控制事发点附近区域的交通流量。

为了实现上述目的，本发明采取了如下技术方案。

一种基于局部时空交通状态的智能网联车辆速度控制方法，包括：

计算出事发点上游指定区域内当前时段的交通流量，当所述当前时段的交通流量小于上一历史时段内的平均交通流量，获取所述事发点上游指定区域内历史时间段内比当前时刻的交通流量更高的历史流量，组成当前时刻备选流量集合；

遍历所述当前时刻备选流量集合中的历史流量，计算出管控区域内智能网联车辆在当前平均交通密度环境下的最大速度；

当判断所述智能网联车辆以最大速度行驶时能够满足设定的安全条件后，将所述智能网联车辆的最大速度与通过微观交通流模型计算得到的速度进行比较，根据比较结果确定所述智能网联车的最终控制速度。

优选地，所述的计算出事发点上游指定区域内当前时段的交通流量，包括

获取事发点上游设定距离内的基本交通参数，该基本交通参数包括事发区域长度、管控区域长度、路段限速值和不同车辆对之间的安全车头时距，基于所述事发点上游设定距离内的基本交通参数计算出当前时段的交通流量。

优选地，所述的当所述当前时段的交通流量小于上一历史时段内的平均交通流量，获取所述事发点上游指定区域内历史时间段内比当前时刻的交通流量更高的历史流量，组成当前时刻备选流量集合，包括：

获取所述事发点上游设定距离D米内在当前时段[t^θ-1,t^θ]内的车辆的平均密度及平均速度/>以及在上一历史时段[t^θ-2,t^θ-1]内，事发点上游设定距离D米内的车辆的平均密度/>及平均速度/>判断当前时段[t^θ-1,t^θ]内交通流量是否小于时段[t^θ-2,t^θ-1]内的平均交通流量，即判断是否/>且/>如果是，则进行下一步的智能网联车辆的速度控制；

获取事发点上游设定距离D米内历史时间段内交通流量集合q及当前时刻t的流量q^t，并从q中筛选出比q^t更高的历史流量，组成当前时刻备选流量集合q′。

优选地，所述的遍历所述当前时刻备选流量集合中的历史流量，计算出控制区域内智能网联车辆在当前平均交通密度环境下的最大速度，包括：

对备选流量集合q′内的历史流量进行由大至小的排序，其中1＜m≤θ，对备选流量集合q′进行简化处理，具体方法如下：

(1)确定q′内的最大历史流量建立可替换流量集合A及补充流量集合B；

(2)于经过排序后q′内的流量q′_i，其中1≤i≤I-1，I为q′内元素个数，从q′₁开始对q′_i进行遍历，其中q′₁＝q′_max，以步长γ进行筛选，判断q′内是否存在满足q′_i-γ≤q′_j＜q′_i的元素q′_j，其中q′_j∈q′，q′_j＜q′_i，

若存在，则将所有满足条件的元素q′_j添加至A，并将元素q′_i-γ添加至B，更新i，其中i＝i+1，继续遍历q′内的元素q′_i，需满足直至遍历完q′内的所有元素；若不存在，更新i，其中i＝i+1，继续遍历q′内的元素q′_i；

(3)若|A|＞0，|B|＞0，对q′进行更新得到q^*，q^*＝q′\A∪B；若|A|＝0，|B|＝0，对q′进行更新得到q^*，q^*＝q′；

遍历q^*内的历史流量计算出控制区域内智能网联车辆在当前平均交通密度下的最大速度/>计算公式为/>

优选地，所述的判断所述智能网联车辆以最大速度行驶时能够满足设定的安全条件，包括：

判断智能网联车辆以行驶时是否可以满足以下安全条件：

(1)对进行更新，/>需要低于所在路段的自由流速度u，更新公式为/>

(2)两个相邻时刻内车辆速度的变化率需要低于阈值ψ，

(3)考虑车辆驾驶的微观动力学特性，以微观交通流模型为基础预估该智能网联车辆加速后是否能与前车保持安全距离。

优选地，所述的考虑车辆驾驶的微观动力学特性，以微观交通流模型为基础预估该智能网联车辆加速后是否能与前车保持安全距离，包括：

当前车为普通人工车或者是未处于速度控制状态的智能网联车时，引入微观交通流模型确定车辆的加速度并对车辆速度/>及位置/>进行更新，遵循：

其中，a_max为最大加速度；b为最大减速度；v为目标车辆的速度；Δv为目标车辆与其前车的速度差；d^*(v,Δv)为期望的车头间距；d为实际的车头间距；为期望车头时距；/>为t时刻前车的预估速度；

预估目标车辆与其前车是否处于安全距离的计算公式为：

其中，及/>分别为t-1时刻该智能网联车与其前车的位置；d_min为相邻两车之间最短的安全距离；L为车长。

优选地，所述的将所述智能网联车辆的最大速度与通过微观交通流模型计算得到的速度进行比较，根据比较结果确定所述智能网联车的最终控制速度，包括：

判断求出的智能网联车辆的最大速度是否满足上述(1)-(3)的安全条件，如果是，则将计算求得的/>与通过微观交通流模型计算得到的速度/>进行比较，确定该智能网联车的最终控制速度/>即/>否则，继续对历史流量q^*进行遍历，直至找到满足上述(1)至(3)安全条件的/>再将速度/>与速度/>进行比较，确定该智能网联车的最终控制速度/>

由上述本发明的实施例提供的技术方案可以看出，本发明实施例方法根据事发路段历史交通流量集合及当前交通流量获得期望流量，考虑实时交通密度，获得每一个进入管控区域的智能网联车辆的控制速度，从而有效缓解交通拥堵，提高交通流量。本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于局部时空交通状态的智能网联车辆速度控制方法的处理流程图；

图2为本发明实施例提供的一种事发路段示意图；

图3为本发明实施例提供的一种车辆通行时间比较示意图；

图4为本发明实施例提供的一种车辆通行时间提升率比较示意图；

图5为本发明实施例提供的一种车辆轨迹示意图，a,基本场景,b,控制场景；

图6为本发明实施例提供的一种普通人工车车头时距分布示意图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

实施例一

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

鉴于对智能网联车辆适当的提速能够有效减小平均车头时距，继而提升路段的通行能力，本发明实施例根据非常规瓶颈处交通流量及密度，提出了一种基于局部时空交通状态的智能网联车辆速度控制方法，以引导非常规瓶颈上游普通人工车的移动，提升通行效率，保证行车安全。

本发明实施例提供的基于局部时空交通状态的智能网联车辆速度控制方法根据事发路段历史交通流量集合及当前交通流量获得期望流量，考虑实时交通密度，获得每一个进入管控区域的智能网联车辆的控制速度。该方法的处理流程如图1所示，包括如下的处理步骤：

本发明实施例提供的一种基于局部时空交通状态的智能网联车辆速度控制方法包括如下步骤：

步骤S10，对于发生交通事件或者临时道路养护等产生非常规瓶颈的路段，获取事发路段的基本交通参数，该基本交通参数包括事发区域长度、管控区域长度、路段限速值和不同车辆对之间的安全车头时距。

本发明实施例提供的一种事发路段示意图如图2所示，其中区域2为管控区域，智能网联车辆进入区域2后，接受中心控制器的指令进行加速调整。值得注意的是，为了使得车辆能够平稳地完成换道，在管控区域开始位置点A₁处设置提前完成换道标志，促使所有事发车道上的车辆在进入A₁点时已完成了换道。

执行步骤S10-步骤S20用于确定当前t时刻事发点上游设定距离D米内流量变化情况，判断是否需要对智能网联车辆进行加速引导。

基于上述事发路段的基本交通参数计算出事发点上游D米内当前时段的交通流量。

步骤S20，确定在当前时段[t^θ-1,t^θ]内，事发点上游D米内的车辆的平均密度及平均速度/>确定在上一历史时段[t^θ-2,t^θ-1]内，事发点上游D米内的车辆的平均密度及平均速度/>判断当前时段[t^θ-1,t^θ]内交通流量是否小于时段[t^θ-2,t^θ-1]内的平均交通流量，若流量有所降低，则进入步骤S30，否则无需执行本发明提出的速度控制方法。

由于当交通流处于自由流状态时，路段通行能力保持不变，如果相比于路段的平均密度/>降低，那么此时该区域的平均速度/>与上个时段/>相比将不会有所降低。若/>且/>那么此时路段交通流量有所降低，亟需采取合理的管控措施，以提升交通流量。

对控制区域内的所有智能网联车辆进行遍历，分别执行步骤S30-步骤S70确定其当前时刻t的控制速度

步骤S30，确定历史时间段内交通流量集合q及当前时刻t的流量q^t，并从q中筛选出比q^t更高的历史流量，组成当前时刻备选流量集合q′。

由于异常事件发生后，事发区域可利用车道数骤减，路段通行能力骤减，此时当交通需求大于路段通行能力时，将会激活交通瓶颈，若不采取合理的管控措施，交通流量将会持续降低。因此，以历史流量为参考值，将管控目标设置为比当前流量更高的目标流量。

步骤S40，对备选流量集合q′内的历史流量进行由大至小的排序，其中1＜m≤θ；

值得注意的是，当该时段内数据量较多时，可对备选流量集合q′进行简化处理，具体方法如下：

(1)内的最大历史流量建立可替换流量集合A及补充流量集合B；

(2)于经过排序后q′内的流量q′_i，其中1≤i≤I-1，I为q′内元素个数，从q′₁开始对q′_i进行遍历，其中q′₁＝q′_max，以步长γ进行筛选，判断q′内是否存在满足q′_i-γ≤q′_j＜q′_i的元素q′_j，其中q′_j∈q′，q′_j＜q′_i。

若存在，则将所有满足条件的元素q′_j添加至A，并将元素q′_i-γ添加至B，更新i，其中i＝i+1，继续遍历q′内的元素q′_i，此时需满足直至遍历完q′内的所有元素；若不存在，更新i，其中i＝i+1，继续遍历q′内的元素q′_i。

(3)|A|＞0，|B|＞0，对q′进行更新得到q^*，q^*＝q′\A∪B；若|A|＝0，|B|＝0，对q′进行更新得到q^*，q^*＝q′。

步骤S50，遍历q^*内的历史流量判断路段在当前平均交通密度为/>的环境下，智能网联车辆可达到的最大速度/>计算公式为/>

步骤S60，判断智能网联车辆以行驶时是否可以满足以下安全条件：

(1)对进行更新，/>需要低于所在路段的自由流速度u，更新公式为/>

(2)两个相邻时刻内车辆速度的变化率需要低于阈值ψ，不宜改变量过大，即

(3)考虑车辆驾驶的微观动力学特性，以微观交通流模型为基础(此处以IDM(Intelligent Driver Model，智能驾驶员模型)跟驰模型为例)，预估该智能网联车辆加速后是否能与前车保持安全距离：

当前车为受速度控制的智能网联车时，计算公式为：

当前车为普通人工车或者是未处于速度控制状态的智能网联车时，引入IDM跟驰模型，确定车辆的加速度并对车辆速度/>及位置/>进行更新，遵循：

其中，a_max为最大加速度；b为最大减速度；v为目标车辆的速度；Δv为目标车辆与其前车的速度差；d^*(v,Δv)为期望的车头间距；d为实际的车头间距；为期望车头时距；/>为t时刻前车的预估速度。

预估目标车辆与其前车是否处于安全距离的计算公式为：

其中，及/>分别为t-1时刻该智能网联车与其前车的位置；d_min为相邻两车之间最短的安全距离；L为车长。

若此时求出的满足上述(1)-(3)的安全条件，则进入步骤S70，否则将重新返回至步骤S50，继续对历史流量q^*进行遍历，直至找到满足上述(1)至(3)安全条件的/>

步骤S70，将计算求得的与通过IDM跟驰模型计算得到的速度/>进行比较，确定该智能网联车的最终控制速度/>即/>

由于在确定每个智能网联车辆的控制速度时是以该车辆所在事发点上游D米内的宏观交通流特性为参考，个别车辆求得的控制速度可能小于由微观模型推演而来的通行速度，因此需要附加步骤S70进行检验，以保证每个智能网联车辆的实际通行速度不低于由常规跟驰模型推演而来的速度。

实施例二

为了分析本发明提出的智能网联车辆速度控制方法的有效性，利用跟驰模型及换道模型对个体车辆运行状态进行微观仿真，其中车辆跟驰行为应用IDM模型进行刻画，换道行为应用MOBIL(Minimizing Overall Braking Induced by Lane changes，最小化换道引起的总制动)车辆换道模型进行刻画。

仿真场景设置：如图1所示，以高速公路场景为例，高速公路三条车道中的最外侧车道某一区域发生了异常事件，事件区域长1km，管控区域为区域2，A₁点距离A₂点300m远，事发前后交通需求均为6000辆/时。由于系统中智能网联驾驶车辆比例(Market PenetrationRates,MPR)会对交通流特性有一定的影响，本算例同时设置了不同MPR场景，其取值跨度以0.1为步长从0.1变化至1。仿真实验独立运行5次，每次仿真实验共运行40分钟，取各个仿真实验结果的平均值进行分析。

此时已完成步骤S10。

根据步骤S20，对于当前时段[t^θ-1,t^θ]，确定实时流量与上一时段流量的关系，假设流量有所降低，进入步骤S30至步骤S70。

对于区域2内的所有智能网联车，循环执行步骤S30至步骤S70，完成智能网联车辆控制速度的计算。

例如以智能网联车辆n为例，由步骤S30及步骤S40确定备选流量集合q^*。

根据步骤S50，对q^*中的流量进行遍历，确定目标流量计算车辆n的期望控制速度/>

根据步骤S60，确定此时期望控制速度是否能满足步骤S60中(1)至(3)的安全条件。若不满足，则需要返回至步骤S50，对q^*继续进行遍历；若满足则进入步骤7，对/>进行更新，确定最终值。

至此，智能网联车n的控制速度已经确定，再以相同方法对管控区域内的下一辆智能网联车辆控制速度进行计算。

为体现本发明的有效性，下面分别从车辆通行效率及行车安全性两方面对管控效果进行统计说明。

在车辆的通行效率方面，以事发路段上游1km为研究区域，统计出了仿真时段内所有车辆通过该区域的平均时间，如图3-图4所示。

由此可以确定，当交通需求较高时，本发明提出的智能网联车辆速度控制方法能够有效提升不同MPR场景下车辆的通行效率。图5为本发明实施例提供的一种车辆轨迹示意图，a为基本场景示意图,b为控制场景示意图。以未发生异常事件的最外侧车道为例，当MPR为0.8时，未实施(基本场景)及实施本发明(控制场景)的车辆轨迹对比如图5所示。由图5可知，本发明提出的管控方法能够有效改善交通状态。

实际对路段进行交通管控时，不仅需要有效提升车辆的通行效率，还应改善车辆通行的平稳性，保证行车安全性。图6统计了普通人工车在管控区域内车头时距分布情况，可以得出，实施本发明提出的管控方法后普通人工车的车头时距能够有效降低，但仍保持在安全范围之内，从而可保证在满足安全条件前提下，事发点附近的通行能力得到了有效提升。

综上所述，本发明实施例方法根据非常规瓶颈处交通流量及密度，提出了一种基于局部时空交通状态的智能网联车辆速度控制方法，以引导非常规瓶颈上游普通人工车的移动，提升通行效率，保证行车安全。

本发明方法根据事发点上游D米内历史交通流量集合及当前交通流量获得期望流量，考虑实时交通密度，获得每一个进入管控区域的智能网联车辆的控制速度。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (5)

1.一种基于局部时空交通状态的智能网联车辆速度控制方法，其特征在于，包括：

计算出事发点上游指定区域内当前时段的交通流量，当所述当前时段的交通流量小于上一历史时段内的平均交通流量，获取所述事发点上游指定区域内历史时间段内比当前时刻的交通流量更高的历史流量，组成当前时刻备选流量集合；

遍历所述当前时刻备选流量集合中的历史流量，计算出管控区域内智能网联车辆在当前平均交通密度环境下的最大速度；

当判断所述智能网联车辆以最大速度行驶时能够满足设定的安全条件后，将所述智能网联车辆的最大速度与通过微观交通流模型计算得到的速度进行比较，根据比较结果确定所述智能网联车的最终控制速度；

所述的判断所述智能网联车辆以最大速度行驶时能够满足设定的安全条件，包括：

判断智能网联车辆以行驶时是否可以满足以下安全条件：

(1)对进行更新，/>需要低于所在路段的自由流速度u，更新公式为/>

(2)两个相邻时刻内车辆速度的变化率需要低于阈值ψ，

(3)考虑车辆驾驶的微观动力学特性，以微观交通流模型为基础预估该智能网联车辆加速后是否能与前车保持安全距离；

所述的将所述智能网联车辆的最大速度与通过微观交通流模型计算得到的速度进行比较，根据比较结果确定所述智能网联车的最终控制速度，包括：

判断求出的智能网联车辆的最大速度是否满足上述(1)-(3)的安全条件，如果是，则将计算求得的/>与通过微观交通流模型计算得到的速度/>进行比较，确定该智能网联车的最终控制速度/>即/>否则，继续对历史流量q^*进行遍历，直至找到满足上述(1)至(3)安全条件的/>再将速度/>与速度/>进行比较，确定该智能网联车的最终控制速度/>

2.根据权利要求1所述的方法，其特征在于，所述的计算出事发点上游指定区域内当前时段的交通流量，包括

获取事发点上游设定距离内的基本交通参数，该基本交通参数包括事发区域长度、管控区域长度、路段限速值和不同车辆对之间的安全车头时距，基于所述事发点上游设定距离内的基本交通参数计算出当前时段的交通流量。

3.根据权利要求2所述的方法，其特征在于，所述的当所述当前时段的交通流量小于上一历史时段内的平均交通流量，获取所述事发点上游指定区域内历史时间段内比当前时刻的交通流量更高的历史流量，组成当前时刻备选流量集合，包括：

获取所述事发点上游设定距离D米内在当前时段[t^θ-1,t^θ]内的车辆的平均密度及平均速度/>以及在上一历史时段[t^θ-2,t^θ-1]内，事发点上游设定距离D米内的车辆的平均密度/>及平均速度/>判断当前时段[t^θ-1,t^θ]内交通流量是否小于时段[t^θ-2,t^θ-1]内的平均交通流量，即判断是否/>且/>如果是，则进行下一步的智能网联车辆的速度控制；

获取事发点上游设定距离D米内历史时间段内交通流量集合q及当前时刻t的流量q^t，并从q中筛选出比q^t更高的历史流量，组成当前时刻备选流量集合q′。

4.根据权利要求3所述的方法，其特征在于，所述的遍历所述当前时刻备选流量集合中的历史流量，计算出控制区域内智能网联车辆在当前平均交通密度环境下的最大速度，包括：

对备选流量集合q′内的历史流量进行由大至小的排序，其中1＜m≤θ，对备选流量集合q′进行简化处理，具体方法如下：

(1)确定q′内的最大历史流量建立可替换流量集合A及补充流量集合B；

(2)对于经过排序后q′内的流量q_i′，其中1≤i≤I-1，I为q′内元素个数，从q₁′开始对q_i′进行遍历，其中q₁′＝q′_max，以步长γ进行筛选，判断q′内是否存在满足q_i′-γ≤q′_j＜q_i′的元素q′_j，其中q′_j∈q′，q′_j＜q_i′，

若存在，则将所有满足条件的元素q′_j添加至A，并将元素q_i′-γ添加至B，更新i，其中i＝i+1，继续遍历q′内的元素q_i′，需满足直至遍历完q′内的所有元素；若不存在，更新i，其中

i＝i+1，继续遍历q′内的元素q_i′；

(3)若|A|＞0，|B|＞0，对q′进行更新得到q^*，q^*＝q′\A∪B；若|A|＝0，|B|＝0，对q′进行更新得到q^*，q^*＝q′；

遍历q^*内的历史流量计算出控制区域内智能网联车辆在当前平均交通密度/>下的最大速度/>计算公式为/>

5.根据权利要求1所述的方法，其特征在于，所述的考虑车辆驾驶的微观动力学特性，以微观交通流模型为基础预估该智能网联车辆加速后是否能与前车保持安全距离，包括：

当前车为普通人工车或者是未处于速度控制状态的智能网联车时，引入微观交通流模型确定车辆的加速度并对车辆速度/>及位置/>进行更新，遵循：

其中，a_max为最大加速度；b为最大减速度；v为目标车辆的速度；Δv为目标车辆与其前车的速度差；d为实际的车头间距；为期望车头时距；

为t时刻前车的预估速度；

预估目标车辆与其前车是否处于安全距离的计算公式为：

其中，及/>分别为t-1时刻该智能网联车与其前车的位置；d_min为相邻两车之间最短的安全距离；L为车长。